OGC：基于点云刚体动力学的无监督三维物体分割
计算机视觉与模式识别
2022-10-11 v1 人工智能
机器学习
机器人学
摘要
本文研究从原始点云中进行三维物体分割的问题。与所有通常需要大量人工标注以进行全监督的现有方法不同，我们提出了第一种无监督方法 OGC，可在单次前向传播中同时识别多个三维物体，且不需要任何类型的人工标注。我们方法的关键在于充分利用序列点云上的动态运动模式作为监督信号来自动发现刚体物体。我们的方法由三个主要组件构成：1）从单帧点云直接估计多物体掩码的物体分割网络，2）辅助的自监督场景流估计器，以及 3）我们的核心物体几何一致性组件。通过精心设计并一系列损失函数，我们有效考虑了时间尺度和空间尺度上的多物体刚体一致性与物体形状不变性。这使得我们的方法即便在没有标注的情况下也能真正发现物体几何。我们在五个数据集上广泛评估了我们的方法，证明了其在室内及具有挑战性的室外场景中对物体部件实例分割和通用物体分割的优越性能。
引用
@article{arxiv.2210.04458,
title = {OGC: Unsupervised 3D Object Segmentation from Rigid Dynamics of Point Clouds},
author = {Ziyang Song and Bo Yang},
journal= {arXiv preprint arXiv:2210.04458},
year = {2022}
}
备注
NeurIPS 2022. Code and data are available at: https://github.com/vLAR-group/OGC